Python 如何利用logistic回归训练用于链路预测的高度不平衡数据

这是我在stackoverflow的第一个问题

我是python新手，我正在尝试实现链接预测问题

我有这样一份清单：

list_pos = [('alpha', 'beta'),
         ('beta','gama')
         ('alpha','lamda')
         ('gama', 'lamda'),
         ('euphor', 'tuphor')]

并且，我能够生成以前不存在的元组对的否定示例，如下所示：

from itertools import combinations
elements = list(set([e for l in list_pos for e in l])) # find all unique elements

complete_list = list(combinations(elements, 2)) # generate all possible combinations

#convert to sets to negate the order

set1 = [set(l) for l in list_pos]
complete_set = [set(l) for l in complete_list]

# find sets in `complete_set` but not in `set1`
list_neg = [list(l) for l in complete_set if l not in set1]

输出如下：

list_neg = 
[['gama', 'tuphor'],
 ['gama', 'alpha'],
 ['gama', 'euphor'],
 ['lamda', 'tuphor'],
 ['alpha', 'tuphor'],
 ['beta', 'tuphor'],
 ['euphor', 'lamda'],
 ['lamda', 'beta'],
 ['euphor', 'alpha'],
 ['euphor', 'beta']]

然而，这导致了以下情况——对于5个积极的例子，我有10个消极的例子

由于原始列表中有更多项，最后我将得到一个高度不平衡的数据集，其中包含大量负面示例，这将影响我的模型训练分数

我的问题是-如何训练这种不平衡的数据集具有良好的准确性

为了生成最终的数据集，我使用以下方法-

dflp = pd.DataFrame(list_pos, columns=['user1','user2'])
dflp['link'] = 1
dfln = pd.DataFrame(list_neg, columns=['user1','user2'])
dfln['link'] = 0
df_n = pd.concat([dflp, dfln])
df_n.head()

---

这样我就有了一个适合应用逻辑回归的数据集

如果数据集足够大，应该尝试删除一些负面示例，以获得一个平衡的数据集

---

如果数据集不够大，您仍然可以删除一些负面示例，并尝试交叉验证方法，如遗漏一个/JackKnife。当列车数据集为小于100行的小型列车数据集时，将使用这些方法来训练模型，谢谢您的建议。我尝试过删除负面示例，但输出分数非常低，精确地说是0.55。我正在申请node2vec。然后使用逻辑回归获得分数。我现在将尝试您建议的方法，但是，我必须使用的最终数据集包含大约1000个正面示例和大约30000个负面示例。你能建议一些处理方法吗？也许预测值和预测值之间没有关系，或者你需要更多的解释变量。你不能期望总是有一个好成绩。。。